En biomedicina, la segmentación consiste en anotar los píxeles de una estructura importante en una imagen médica, como un órgano o una célula. Los modelos de inteligencia artificial pueden ayudar a los médicos destacando los píxeles que pueden mostrar signos de una determinada enfermedad o anomalía.

Sin embargo, estos modelos suelen dar una sola respuesta, mientras que el problema de la segmentación de imágenes médicas dista mucho de ser blanco o negro. Cinco anotadores humanos expertos podrían proporcionar cinco segmentaciones distintas, quizá discrepando sobre la existencia o extensión de los bordes de un nódulo en una imagen de TAC pulmonar.

"Disponer de opciones puede ayudar a tomar decisiones. Incluso el mero hecho de ver que hay incertidumbre en una imagen médica puede influir en las decisiones de alguien, por lo que es importante tener en cuenta esta incertidumbre", afirma Marianne Rakic, doctoranda en informática del MIT.

Rakic es la autora principal de un artículo publicado con otros investigadores del MIT, el Instituto Broad del MIT y Harvard, y el Hospital General de Massachusetts, que presenta una nueva herramienta de IA capaz de captar la incertidumbre en una imagen médica.

Conocido como Tyche (nombre de la divinidad griega del azar), el sistema ofrece múltiples segmentaciones plausibles que resaltan áreas ligeramente distintas de una imagen médica. El usuario puede especificar cuántas opciones ofrece Tyche y seleccionar la más adecuada para su propósito.

Y lo que es más importante, Tyche puede abordar nuevas tareas de segmentación sin necesidad de reentrenarse. El entrenamiento es un proceso intensivo en datos que implica mostrar a un modelo muchos ejemplos y requiere una amplia experiencia en aprendizaje automático.

Al no necesitar reentrenamiento, Tyche podría ser más fácil de usar que otros métodos para médicos e investigadores biomédicos. Podría aplicarse "out of the box" a diversas tareas, desde la identificación de lesiones en una radiografía de pulmón hasta la localización de anomalías en una resonancia magnética cerebral.

En última instancia, este sistema podría mejorar los diagnósticos o ayudar en la investigación biomédica llamando la atención sobre información potencialmente crucial que otras herramientas de IA podrían pasar por alto.

"La ambigüedad no se ha estudiado lo suficiente. Si tu modelo pasa por alto un nódulo que, según tres expertos, está ahí y, según dos, no, probablemente deberías prestarle atención", añade Adrian Dalca, autor principal, profesor adjunto de la Facultad de Medicina de Harvard y del MGH, e investigador científico del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT.

Entre sus coautores figuran Hallee Wong, estudiante de postgrado de Ingeniería Eléctrica e Informática; José Javier González Ortiz, Doctor en Filosofía y Letras (23); Beth Cimini, Directora Asociada de Análisis de Bioimágenes del Instituto Broad; y John Guttag, Catedrático Dugald C. Jackson de Informática e Ingeniería Eléctrica. Rakic presentará Tyche en la Conferencia IEEE sobre Visión por Ordenador y Reconocimiento de Patrones, en la que Tyche ha sido seleccionado como proyecto destacado.

Abordar la ambigüedad

Los sistemas de inteligencia artificial para la segmentación de imágenes médicas suelen utilizar redes neuronales. Basadas en el cerebro humano, las redes neuronales son modelos de aprendizaje automático compuestos por muchas capas interconectadas de nodos o neuronas que procesan datos.

Tras hablar con colaboradores del Instituto Broad y el MGH que utilizan estos sistemas, los investigadores se dieron cuenta de que hay dos problemas importantes que limitan su eficacia. Los modelos no pueden captar la incertidumbre y deben volver a entrenarse incluso para una tarea de segmentación ligeramente distinta.

Algunos métodos intentan superar uno de los escollos, pero abordar ambos problemas con una única solución ha resultado especialmente complicado, afirma Rakic.

"Si se quiere tener en cuenta la ambigüedad, a menudo hay que utilizar un modelo extremadamente complicado. Con el método que proponemos, nuestro objetivo es que sea fácil de usar con un modelo relativamente pequeño para que pueda hacer predicciones rápidamente", afirma.

Los investigadores crearon Tyche modificando una sencilla arquitectura de red neuronal.

En primer lugar, el usuario proporciona a Tyche algunos ejemplos que muestran la tarea de segmentación. Por ejemplo, los ejemplos podrían incluir varias imágenes de lesiones en una resonancia magnética cardiaca que hayan sido segmentadas por distintos expertos humanos, de modo que el modelo pueda aprender la tarea y ver que existe ambigüedad.

Los investigadores descubrieron que basta con 16 imágenes de ejemplo, lo que se denomina "conjunto de contexto", para que el modelo haga buenas predicciones, pero no hay límite en el número de ejemplos que se pueden utilizar. El conjunto de contexto permite a Tyche resolver nuevas tareas sin necesidad de reentrenamiento.

Para que Tyche captara la incertidumbre, los investigadores modificaron la red neuronal de modo que emitiera múltiples predicciones basadas en una imagen médica de entrada y el conjunto de contextos. Ajustaron las capas de la red para que, a medida que los datos pasaran de una capa a otra, las segmentaciones candidatas producidas en cada paso pudieran "hablar" entre sí y con los ejemplos del conjunto contextual.

De este modo, el modelo puede garantizar que las segmentaciones candidatas sean todas un poco diferentes, pero sigan resolviendo la tarea.

"Es como tirar los dados. Si tu modelo puede sacar un dos, un tres o un cuatro, pero no sabe que ya tienes un dos y un cuatro, entonces cualquiera de los dos puede aparecer de nuevo", dice.

También modificaron el proceso de entrenamiento para recompensarlo maximizando la calidad de su mejor predicción.

Si el usuario pide cinco predicciones, al final puede ver las cinco segmentaciones de imágenes médicas producidas por Tyche, aunque una sea mejor que las otras.

Los investigadores también han desarrollado una versión de Tyche que puede utilizarse con un modelo preentrenado de segmentación de imágenes médicas. En este caso, Tyche permite que el modelo genere varios candidatos mediante ligeras transformaciones de las imágenes.

Predicciones mejores y más rápidas

Cuando los investigadores probaron Tyche con conjuntos de datos de imágenes médicas anotadas, comprobaron que sus predicciones captaban la diversidad de los anotadores humanos y que sus mejores predicciones eran mejores que las de cualquiera de los modelos de referencia. Además, Tyche fue más rápido que la mayoría de los modelos.

"La producción de múltiples candidatos y la garantía de que son diferentes entre sí realmente te da una ventaja", afirma Rakic.

Los investigadores también observaron que Tyche podía superar a modelos más complejos entrenados con un conjunto de datos especializado y de gran tamaño.

Para el futuro, tienen previsto probar con un conjunto de contextos más flexible, que quizá incluya texto o varios tipos de imágenes. Además, quieren explorar métodos que puedan mejorar las peores predicciones de Tyche y mejorar el sistema para que pueda recomendar los mejores candidatos de segmentación.

Esta investigación está financiada, en parte, por los Institutos Nacionales de Salud, el Centro Eric y Wendy Schmidt del Instituto Broad del MIT y Harvard, y Quanta Computer.

###

Escrito por Adam Zewe, MIT News